基于相关滤波的目标跟踪算法研究
目标跟踪作为计算机视觉的主要研究方向，在人机交互、体育运动、视觉导航、智能监控、国防军事等领域都发挥着重要的作用。为了降低智能设备的运行成本，研究计算量小、运行速度快，且跟踪精确度高的目标跟踪算法具有重大意义。基于相关滤波的目标跟踪算法引入了傅里叶变换的思想，在傅里叶域中将互相关运算转换为点乘运算，提升了速度的同时保证了跟踪准确性。然而在实际运用场景中，基于相关滤波的目标跟踪算法目标跟踪依旧面临着许多挑战。为了在保证实时性的情况下提升在不同场景下的跟踪准确率，本文针对基于相关滤波的目标跟踪算法分别从特征融合、边界效应处理、尺度自适应三个方面入手，分别提出了对应的改进算法。本文主要贡献如下： （1）针对特征融合问题，提出了一种自适应权重的特征融合框架（Multi-featureFrameworkwithAdaptiveWeight，MFAW）。该框架打破了传统的通道特征拼接的融合方法，设计了基于峰值能量与旁瓣比的特征置信分数，对特征响应图进行自适应融合，并提出了一种指数衰减的学习率对模型进行更新。通过在OTB数据集上的对照实验，验证了该特征融合框架对比单一特征以及其他特征融合方法在跟踪精确度上的提高以及算法在兼具颜色变化与形状变化的场景下的鲁棒性。 （2）针对边界效应问题，提出一种自适应空间正则化滤波器（AdaptiveDiff-frameMaskSpatiallyRegularizedFilters，ADMSRF）。该滤波器引入了差分特征图与前景掩膜设计空域正则化项的期望因子，设计优化目标函数计算自适应正则化项，提高样本的真实性。在OTB数据集上实验证明，该算法极大程度上缓解了边界效应问题，提高了算法在快速运动场景下的跟踪准确性。结合特征框架MFAW，提出了算法ADMSRF-MFAW，进一步提升了在模糊、遮挡及背景杂乱场景下的跟踪精度。 （3）针对尺度变化问题，提出了一种基于边框回归的多尺度自适应相关滤波器（Bounding-BoxRegressionScaleEstimationFilters，BRSEF），该方法设计了边框回归滤波器，拟合出一个与真实目标最贴近的边框，突破了传统离散样本插值的局限性，在连续域上获得更加精确的目标位置。通过在OTB及UAV数据集上实验表明，该算法保证了实时跟踪速度，提高了变尺度纵横比场景下目标跟踪的准确性。
目标跟踪;自适应相关滤波器;特征融合框架;边框回归
华南理工大学
硕士
控制科学与工程
黎善斌
2022
中文
TP391.41
2022-12-23（万方平台首次上网日期，不代表论文的发表时间）